3、變量Fj的方差貢獻(xiàn)因子變量Fj的方差貢獻(xiàn)為因子載荷矩陣A中第j列各元素的平方和可見：因子變量Fj的方差貢獻(xiàn)體現(xiàn)了同一因子Fj對(duì)原始所有變量總方差的解釋能力，Sj/p表示了第j個(gè)因子解釋原所有變量總方差的比例。5原有變量是否適合作因子分析計(jì)算原有變量的相關(guān)系數(shù)矩陣，一般小于0.3就不適合作因子分析。6確定因子變量--主成份分析6.1主成份分析法的數(shù)學(xué)模型將原有的P個(gè)相關(guān)變量Xi作線性變換后轉(zhuǎn)成另一組不相關(guān)的變量Yi該方程組要求：系數(shù)uij依照兩個(gè)原則來確定：yi與yj(i≠j,i,j=1,2,3,
4、…p)互不相關(guān)；y1是x1,x2,x3,…,xp的一切線性組合（系數(shù)滿足上述方程組）中方差最大的；y2是與y1不相關(guān)的x1,x2,x3,…,xp的一切線性組合中方差次大的；yP是與y1,y2,y3,…yp都不相關(guān)的x1,x2,x3,…,xp的一切線性組合中方差最小的；y1在總方差中所占比例最大，它綜合原有變量的能力最強(qiáng)，其余變量在總方差中所占比例依次遞減，即：其余變量綜合原有變量的能力依次減弱。6.2主成份分析的基本步驟（1）將原始數(shù)據(jù)標(biāo)準(zhǔn)化；（2）計(jì)算變量間簡單相關(guān)系數(shù)矩陣R；（3）求R的特征
5、值λ1≥λ2≥λ3≥…λp≥0及對(duì)應(yīng)的單位特征向量μ1,μ2,μ3,…μp；（4）得到：yi=u1ix1+u2ix2+…+upixp6.3確定因子變量—計(jì)算因子載荷7確定因子變量個(gè)數(shù)確定k個(gè)因子變量（1）根據(jù)特征值λi確定：取特征值大于1的特征根；（2）根據(jù)累計(jì)貢獻(xiàn)率：一般累計(jì)貢獻(xiàn)率應(yīng)在70%以上；（3）通過觀察碎石圖的方式確定因子變量的個(gè)數(shù)。8因子變量的命名解釋（1）發(fā)現(xiàn)：aij的絕對(duì)值可能在某一行的許多列上都有較大的取值，或aij的絕對(duì)值可能在某一列的許多行上都有較大的取值。（2）表明：某個(gè)
6、原有變量xi可能同時(shí)與幾個(gè)因子都有比較大的相關(guān)關(guān)系，也就是說，某個(gè)原有變量xi的信息需要由若干個(gè)因子變量來共同解釋；同時(shí)，雖然一個(gè)因子變量可能能夠解釋許多變量的信息，但它卻只能解釋某個(gè)變量的一少部分信息，不是任何一個(gè)變量的典型代表。（3）結(jié)論：因子變量的實(shí)際含義不清楚通過某種手段使：每個(gè)變量在盡可能少的因子上又比較高的載荷，即：在理想狀態(tài)下，讓某個(gè)變量在某個(gè)因子上的載荷趨于1，而在其他因子上的載荷趨于0。這樣：一個(gè)因子變量就能夠成為某個(gè)變量的典型代表，它的實(shí)際含義也就清楚了。9計(jì)算因子得分因子得
7、分是因子變量構(gòu)造的最終體現(xiàn)。基本思想：是將因子變量表示為原有變量的線性組合，即：通過因子得分函數(shù)計(jì)算因子得分。因子得分可看作各變量值的權(quán)數(shù)總和，權(quán)數(shù)的大小表示了變量對(duì)因子的重要程度。10因子分析的基本步驟（1）菜單選項(xiàng)：analyze->DataReduction->Factor；（2）選擇參與因子分析的變量到Variables框；（3）Discriptive:分析是否適合做因子分析；（4）Extraction：選擇構(gòu)造因子變量的方法，默認(rèn)主成分分析法。Extract框：指定確定因子個(gè)數(shù)的標(biāo)準(zhǔn)；
8、（5）Rotation：擇因子載荷矩陣的旋轉(zhuǎn)方法。默認(rèn)是不進(jìn)行旋轉(zhuǎn)。一般可以選擇Varimax選項(xiàng)采用方差極大法旋轉(zhuǎn)。（6）Scores：Saveasvariables：將因子得分存成一個(gè)名為FACn_m的SPSS變量中，其中：n是因子變量的名，以數(shù)字序號(hào)的形式表示；m表示是第幾次作的。Displayfactorscorecoefficientmatrix項(xiàng)表示：以矩陣的形式輸出因子得分函數(shù)。Method框中提供了估計(jì)因子得分的幾種方法。
